Un nuovo working paper degli economisti Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter e James Reisinger riporta che modelli di machine learning costruiti su dati amministrativi su larga scala possono stimare gli effetti sulla retribuzione dei programmi di formazione professionale con una precisione paragonabile agli studi controllati randomizzati (RCT). Il paper completo è disponibile in formato PDF tramite Opportunity Insights.

Dai piccoli sondaggi ai dati fiscali nazionali

La valutazione moderna dei programmi ha da sempre dato priorità alle evidenze degli RCT, in cui i partecipanti sono assegnati in modo casuale ai gruppi di trattamento e di controllo, così che l'effetto di un programma possa essere isolato dagli altri fattori. Governi e ricercatori hanno fatto affidamento su tali esperimenti perché le stime osservazionali degli impatti dei programmi sono spesso risultate divergere sostanzialmente dai parametri sperimentali — un problema segnalato dagli economisti fin dagli anni Ottanta. Quelle conclusioni precedenti, notano gli autori del nuovo paper, si basavano su piccoli dataset di sondaggio. Lo studio riprende la questione nell'era dei dati amministrativi su larga scala, in un momento in cui condurre un esperimento per ogni programma gestito da un governo è raramente fattibile per ragioni di costi, logistica o etica. I dati amministrativi offrono una base di evidenze alternativa: registri generati nel corso delle normali funzioni governative — tra cui la dichiarazione dei redditi — che coprono intere popolazioni anziché i piccoli campioni di sondaggio alla base delle precedenti conclusioni sulla divergenza.

Utilizzando registri fiscali sul reddito anonimizzati che coprono tutti gli adulti americani tra il 1999 e il 2025, i ricercatori stimano gli effetti dei programmi di formazione professionale sulla retribuzione. I modelli di machine learning prevedono i risultati controfattuali — quanto avrebbero guadagnato i partecipanti in assenza dell'iscrizione — a partire da dati ricchi sulle precedenti esperienze lavorative, i dati demografici e i luoghi di residenza.

Al passo con il parametro sperimentale

Anziché verificare se le stime osservazionali siano distorte, gli autori utilizzano 37 RCT per stimare la distribuzione della loro distorsione — una validazione che copre decine di esperimenti distinti anziché un singolo studio di riferimento. Le stime del machine learning corrispondono da vicino alle stime degli RCT, con un errore quadratico medio (RMSE) — una misura standard di quanto le stime si discostino dai valori che intendono approssimare — paragonabile a quello degli RCT stessi. Secondo il paper, l'approccio riduce l'RMSE del 60 percento rispetto agli stimatori parametrici utilizzati nei lavori precedenti, perché i campioni più ampi e le covariate più ricche consentono modelli controfattuali più flessibili e di dimensioni superiori.

Dove si concentrano i guadagni

Applicando il metodo a un insieme più ampio di sedi e anni di iscrizione al di fuori del campione sperimentale, il paper rileva che gli effetti del trattamento sulla retribuzione variano sostanzialmente tra luoghi e nel tempo, anche all'interno di un medesimo programma — il che significa che lo stesso programma può offrire rendimenti molto diversi a seconda di dove e quando opera. I programmi che collocano più partecipanti in lavori del settore target generano i maggiori guadagni retributivi, con effetti che persistono anche dopo che i partecipanti hanno lasciato i loro impatti iniziali.

I risultati, scrivono gli autori, forniscono indicazioni per migliorare i programmi di formazione professionale e, più in generale, illustrano un approccio scalabile alla valutazione dei programmi: utilizzare dati osservazionali per costruire "gemelli digitali" validati sperimentalmente. In questo quadro, gli esperimenti mantengono un ruolo centrale come parametro rispetto al quale le stime basate sui dati vengono calibrate e verificate, mentre i dati amministrativi estendono la valutazione a sedi, anni e programmi al di là di quelli in cui sono stati condotti studi randomizzati. Il paper applica il metodo alla formazione professionale, e fino a che punto possa estendersi ad altri ambiti della valutazione delle politiche resta da dimostrarlo con ricerche successive.

Il paper è stato segnalato su Marginal Revolution, il blog di economia fondato da Tyler Cowen e Alex Tabarrok, in un post pubblicato l'11 novembre 2026. Il commento di accompagnamento è stato inequivocabile: "Lavori di questo tipo rivoluzioneranno il metodo economico."

In qualità di working paper, lo studio circola nel formato che i ricercatori usano tipicamente per diffondere i risultati prima della pubblicazione sulla rivista e della revisione paritaria che la accompagna, collocando questi risultati in una fase iniziale del processo di ricerca.

Chetty e Katz sono entrambi economisti della Harvard University. Chetty dirige Opportunity Insights, un'organizzazione di ricerca con sede ad Harvard focalizzata sull'opportunità e la mobilità economica, il cui sito ospita il working paper. Katz, economista del lavoro, studia da lungo tempo salari, istruzione e cambiamento tecnologico.